终端智能体环境无监督扩增！清华等提出 SWR：从科学工作流逆向重构，Terminal-Bench 跑分暴涨至 53.56%

核心背景与行业痛点

以 SWE-bench、Terminal-Bench 为代表的终端智能体（Terminal Agents）展现出自主操控 Linux 命令行、修复代码 Bug 与调度工具的强大能力。然而，当智能体被推进至生命科学、流体力学、半导体仿真以及天体计算等专业科研与工程领域时，算法团队普遍遭遇了严峻的“高质量训练沙箱稀缺危机”。构建一个有效的垂直领域终端沙箱，不仅需要部署复杂的底层科研软件环境（如 BLAST、GROMACS、OpenFOAM），更必须人工编写具备标准答案的可执行参考实现，并开发能够甄别模型是真正解出答案还是敷衍作弊的专用验证器（Verifier）。这种单点手工编写任务与评测脚本的传统模式工程成本畸高，导致智能体在广袤的科学计算领域长期处于数据匮乏的真空状态。

架构亮点与底层机制

针对科研终端环境扩增的工程死锁，清华大学与腾讯联合研究团队提出了“在环软件逆向重构框架”SWR（Software-in-the-Loop Reconstruction，arXiv:2610.02710）：

1. 工业级现存工作流自监督真值解耦（Existing Workflow Bootstrapping）：完全摒弃从零人工编写任务与参考答案的低效方式，直接接入科研界现存成熟的可执行软件工作流；系统自动运行多组输入配置组合，并将结果精准划分为“公开观测集（Public Observations）”与“隐藏评测集（Hidden Evaluations）”；
2. 黑盒无源码程序逆向合成机制：智能体仅被提供任务说明、输入 Schema 以及少量的公开输入输出样例，在完全无权查看底层工作流源代码的严苛沙箱中，自主在 Bash 终端中编写、调试并重构出一套具备通用处理能力的可编辑程序；
3. 多维防作弊层级验证器（Hierarchical Verifier）：将重构程序置入隐藏测试输入中运行，层级验证器不仅对比输出数据与真实软件输出的浮点误差与语义对齐度，更通过严格的结构有效性审查与 AST 静态分析，坚决阻断任何硬编码答案或模式匹配的偷懒捷径，确保采纳轨迹 100% 具备确定性物理科学可信度。

权威 Benchmark 与实测跑分对比

团队在涵盖生物信息学、地球物理、化学计算等 6 大核心科学领域的 500 个真实生产级工作流与 46 个知名软件家族上全面部署 SWR：

1. 高效提炼 1,422 条高信噪比黄金轨迹：在每个任务仅允许尝试 3 次的严苛条件下，顶尖底座 Qwen3.8-Max 自主攻克了 838 个高难科研任务，生成并验证了 1,422 条绝对无瑕疵的完整交互轨迹，并过采样平滑扩增为 3,000 条纯重构微调集；
2. Terminal-Bench 2 平均得分暴涨至 53.56%：将这批纯科学逆向轨迹注入微调开源底座 Qwen3.8-27B 后，模型在业界权威基准 Terminal-Bench 2 上的跨随机种子平均表现由基线的 47.94% 飙升至 53.56%（净涨 5.62 个百分点）；
3. 全面碾压同 Token 量级的各类基线控制组：在严格对齐训练 Token 预算的所有 4 项消融对照实验中，SWR 微调模型在全部 4 个评测维度上均斩获了最高平均分，确凿证实了基于真实软件工作流自监督重构的轨迹具备无与伦比的通用系统运维泛化力。

开发者实战落地与开箱指南

SWR 的自监督环境生成管线、46 个软件家族适配器以及全套层级校验套件已公开发布（arXiv:2610.02710）。对于正在开发科研智能体平台（AI for Science）、垂直工业领域自动化终端 Copilot 以及企业内部私有软件调用 Agent 的技术团队，SWR 指明了一条“零人工出题成本”的数据飞轮捷径。工程师无需耗费精力撰写数千道模拟练习题，只需将企业内部或开源社区已有的自动化工作流与 CLI 工具直接挂接至 SWR 框架，即可利用强大的前沿模型全自动提炼出高难度、强泛化、免作弊的端到端强化学习环境，推动终端智能体真正进入硬核复杂科学计算主战场。